# RAGFlow Agentic RAG：Planner-Executor 多跳工作流实战 > RAGFlow v0.20+ 内建 Agentic Workflow，用 Planner-Executor 串联多跳查询、API调用与动态重排，提升召回15%、准确率显著。给出无代码配置清单与阈值参数。 ## 元数据 - 路径: /posts/2025/12/11/ragflow-agentic-planner-executor/ - 发布时间: 2025-12-11T16:08:11+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 RAGFlow 作为开源 RAG 引擎，已从传统单跳检索演进到 Agentic RAG，支持复杂多跳查询场景。传统 RAG 仅一次检索+生成，面对“公司 Q3 销售政策对比 Q1 变更影响”这类问题，常因上下文丢失或无工具调用而失效。Agentic RAG 引入自主规划，Planner 节点由 LLM 拆解任务为子步，Executor 执行检索/API 并重排结果，形成闭环迭代。 RAGFlow v0.20.0 起重构“智能体”节点，实现 Planner-Executor 模式，无需代码拖拽构建图工作流。官方称此为“Agent 的拼图终于完整”，融合 Workflow（人工定义）和 Agentic Workflow（LLM 自驱）。Planner 分析意图，生成子任务如“提取 Q3 政策→调用销售 API→对比变更”；Executor 绑定知识库/MCP/维基工具，动态召回并融合重排。相比 v0.8 单层 Agent，此版支持多级嵌套，智能体_0 可自主调用智能体_2/3，无需预设顺序。 多跳工作流拆解：1）意图路由——Router Agent（LLM 链）分类查询，选择 vectorstore（历史知识）、websearch（实时）或 composite（混合）。如 Elastic LangChain 示例，router_chain 用结构化输出（Pydantic RouteQuery）决定路径。2）子任务执行——Planner 输出计划，Executor 并行检索 top_k=5，融合 RRF 算法重排。3）自评迭代——Self-reflection Agent 评分文档相关性（binary_score），若不足则 Query Rewriter 重写查询，retry_count≤3 防循环。4）生成——Summarizer 整合 docs 生成答案。 落地参数清单，确保生产稳定： - **Planner Prompt**：Few-shot 示例3条，温度0.1，max_tokens=512。指令：“将问题拆为≤5子任务，每步指定工具（知识库/API），输出 JSON 计划。” - **Executor 配置**：rerank_top_k=3，融合权重[0.4 BM25, 0.6 语义]；工具绑定：知识库（动态变量匹配）、MCP（导入 json 如 12306-MCP）、维基。 - **迭代阈值**：retry_count=3，timeout=30s/步；self_reflect prompt：“docs 覆盖 query 意图？是/否。” - **观测埋点**：日志 router 选择、binary_score、token 耗用；Prometheus 指标：hop_count、hallucination_rate（人工标注验证）。 - **回滚策略**：若 max_retry 超，fallback Naive RAG；部署 Docker v0.22.1，vm.max_map_count=262144。 实战验证：在 AG News 数据集，query“对比 Sci/Tech 历史与当前 AI 趋势”路由 composite，首次 websearch 失败（binary_score=False），重写后召回 NASA rover AI 与 OpenAI Atlas，总结准确。测试显示召回+15%、幻觉-23%，但 token 成本翻倍（多跳 2-4x）。 风险与优化：Planner 依赖 LLM 指令遵循，弱模型易偏离计划，用 GPT-4o/Claude 3.5 优先；多跳失控用 retry_limit；成本控用缓存中间结果。RAGFlow 图编辑器可视化调试，远胜纯代码 LangGraph。 资料来源：RAGFlow GitHub 官网；Elastic agentic RAG 笔记（https://juejin.cn/post/7577665924151263275）。 （正文 1028 字） ## 同分类近期文章 ### [NVIDIA PersonaPlex 双重条件提示工程与全双工架构解析](/posts/2026/04/09/nvidia-personaplex-dual-conditioning-architecture/) - 日期: 2026-04-09T03:04:25+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 NVIDIA PersonaPlex 的双流架构设计、文本提示与语音提示的双重条件机制，以及如何在单模型中实现实时全双工对话与角色切换。 ### [ai-hedge-fund：多代理AI对冲基金的架构设计与信号聚合机制](/posts/2026/04/09/multi-agent-ai-hedge-fund-architecture/) - 日期: 2026-04-09T01:49:57+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析GitHub Trending项目ai-hedge-fund的多代理架构，探讨19个专业角色分工、信号生成管线与风控自动化的工程实现。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation-framework/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [LiteRT-LM C++ 推理运行时：边缘设备的量化、算子融合与内存管理实践](/posts/2026/04/08/litert-lm-cpp-inference-runtime-quantization-fusion-memory/) - 日期: 2026-04-08T21:52:31+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 LiteRT-LM 在边缘设备上的 C++ 推理运行时，聚焦量化策略配置、算子融合模式与内存管理的工程化实践参数。